【.com快译】作为谷歌打造的深度学习框架，TensorFlow已经公布了一整套1.0候选版本。1.0版本不仅增加了框架的机器学习功能，还简化了Python和Java用户的开发流程，增强了原有的调试机制。新的编译器可以优化TensorFlow计算机制，这意味着更多新的机器学习应用将运行在智能手机级别的硬件上。关注Pythong和Java由于Python已经成为构建和使用机器学习应用程序的主要平台之一，TensorFlow1.0也提高了与Python及时交互的能力。TensorFlowPythonAPI已经升级，这意味着TensorFlow使用的语法和隐喻可以更好地匹配Python，并最终提高两者之间的一致性。不幸的是，这些更改破坏了对现有Python应用程序的支持。TensorFlow开发者已经发布了相应的脚本，可以将原有的TensorFlowAPI脚本升级为新格式，但并不能解决所有问题；您可能仍需要手动调整脚本。TensorFlow目前在与Python3兼容的Docker映像中可用，并允许Python用户使用Python的本机包管理器pip安装它。这将帮助更多的普通用户（而不是数据科学专家）快速上手TensorFlow。Java是机器学习的另一种主要语言平台，但TensorFlow直到现在才与它绑定。该框架的1.0版引入了JavaAPI，但尚未完成，可能会发生变化。另外，使用JavaAPI需要配合Linux或MacOS环境。（很明显，Windows在TensorFlow阵营中仍然是二等公民。）也许移动端TensorFlow1.0与XLA的最大变化不是来自新的支持能力或新算法，而是来自一个实验性的线性代数编译器，即AcceleratedLinearAlgebra（简称XLA）。它可以生成可以在CPU或GPU上运行的机器码，从而显着提高数学运算的效率。目前，XLA仅支持NvidiaGPU，但未来会为机器学习应用提供更多GPU支持。XLA还提高了TensorFlow的可移植性，因此现有的TensorFlow程序无需修改即可运行在新的硬件平台上。这主要是由于IBM在其由GPU和Power8CPU组成的PowerAI硬件解决方案中增加了TensorFlow支持。TensorFlow项目的工程师减少了其整体内存使用量和应用程序大小。虽然这些优化具有普遍的好处，但在移动端尤为明显。之前版本的TensorFlow已经能够支持Android、iOS和RaspberryPi硬件平台，现在可以在这些设备上进行图像分类等操作。提到机器学习，我们通常会想到各种高端硬件，包括定制CPU、GPU阵列、FPGA和云环境。但新的理论是，构建一个可以在普通智能手机上运行的机器学习模型将启用更多新类别的应用程序。即使这部分目标无法完全实现，这种努力依然能够为TensorFlow的发展带来强大的推动力。原标题：TensorFlow1.0解锁智能手机上的机器学习原作者：SerdarYegulalp
